基于MSELoss()与CrossEntropyLoss()的区别详解

基于pytorch来讲

MSELoss（）多用于回归问题，也可以用于one_hotted编码形式，

CrossEntropyLoss()名字为交叉熵损失函数，不用于one_hotted编码形式

MSELoss（）要求batch_x与batch_y的tensor都是FloatTensor类型

CrossEntropyLoss（）要求batch_x为Float，batch_y为LongTensor类型

（1）CrossEntropyLoss（） 举例说明：

比如二分类问题，最后一层输出的为2个值，比如下面的代码：

class CNN (nn.Module ) :
 def __init__ ( self , hidden_size1 , output_size , dropout_p) :
   super ( CNN , self ).__init__ ( )
   self.hidden_size1 = hidden_size1
   self.output_size = output_size
   self.dropout_p = dropout_p

self.conv1 = nn.Conv1d ( 1,8,3,padding =1)
   self.fc1 = nn.Linear (8*500, self.hidden_size1 )
   self.out = nn.Linear (self.hidden_size1,self.output_size )

def forward ( self , encoder_outputs ) :
   cnn_out = F.max_pool1d ( F.relu (self.conv1(encoder_outputs)),2)
   cnn_out = F.dropout ( cnn_out ,self.dropout_p) #加一个dropout
   cnn_out = cnn_out.view (-1,8*500)
   output_1 = torch.tanh ( self.fc1 ( cnn_out ) )
   output = self.out ( ouput_1)
   return output

最后的输出结果为：

上面一个tensor为output结果，下面为target，没有使用one_hotted编码。

训练过程如下：

cnn_optimizer = torch.optim.SGD(cnn.parameters(),learning_rate,momentum=0.9,\
             weight_decay=1e-5)
criterion = nn.CrossEntropyLoss()

def train ( input_variable , target_variable , cnn , cnn_optimizer , criterion ) :
 cnn_output = cnn( input_variable )
 print(cnn_output)
 print(target_variable)
 loss = criterion ( cnn_output , target_variable)
 cnn_optimizer.zero_grad ()
 loss.backward( )
 cnn_optimizer.step( )
 #print('loss: ',loss.item())
 return loss.item() #返回损失

说明CrossEntropyLoss()是output两位为one_hotted编码形式，但target不是one_hotted编码形式。

（2）MSELoss（） 举例说明：

网络结构不变，但是标签是one_hotted编码形式。下面的图仅做说明，网络结构不太对，出来的预测也不太对。

如果target不是one_hotted编码形式会报错，报的错误如下。

目前自己理解的两者的区别，就是这样的，至于多分类问题是不是也是样的有待考察。

来源：https://blog.csdn.net/foneone/article/details/90127707